Кириченко, Л. О.Ткаченко, А. Е.Радивилова, Т. А.2020-05-132020-05-132020Кириченко Л. О. Кластеризация зашумленных временных рядов / Л. О. Кириченко, А. Е. Ткаченко, Т. А.Радивилова. // Системні технології. Регіональний міжвузівський збірник наукових праць. - Випуск 3 (122). – Дніпро, 2019. – С. 133-139.1562-9945http://openarchive.nure.ua/handle/document/11730Одной из актуальных задач машинного обучения является задача кластеризации объектов. Кластеризация временных рядов используется как самостоятельная исследовательская техника, а также как часть более сложных методов интеллектуального анализа данных, такие как обнаружение правил, классификация, выявление аномалий и т.д. Проведен сравнительный анализ кластеризации зашумленных временных рядов выборки. Выборка для кластеризации содержала временные ряды различных типов, среди которых присутствовали нетипичные объекты. Кластеризация проводилась методами k-средних и DBSCAN с использованием различных функций расстояния для временных рядов. В работе была проведена кластеризация зашумленных временных рядов различных типов. Были использованы методы DBSCAN и k-средних с различными функциями расстояния. Лучшие результаты показал метод DBSCAN с евклидовой метрикой и CID-функцией. Анализ результатов кластеризации временных рядов позволяет определить ключевые различия между методами: если можно определить количество кластеров и не требуется отделять нетипичные временные ряды, метод k-средних показывает довольно хорошие результаты; если нет информации о количестве кластеров и существует задача выделения нетипичных рядов, целесобразно использовать метод DBSCAN.ruкластеризациявременной рядфункция расстоянияметод k-среднихметод DBSCANArticle